کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6900620 1446490 2018 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Selection of important features and predicting wine quality using machine learning techniques
ترجمه فارسی عنوان
انتخاب ویژگی های مهم و پیش بینی کیفیت شراب با استفاده از تکنیک های یادگیری ماشین
کلمات کلیدی
رگرسیون خطی، شبکه عصبی، پشتیبانی از ماشین بردار. کیفیت شراب،
ترجمه چکیده
امروزه صنایع از گواهینامه های کیفیت محصولات برای تبلیغ محصولات خود استفاده می کنند. این یک فرآیند زمان است و نیاز به ارزیابی توسط کارشناسان انسانی دارد که این روند بسیار گران قیمت است. در این مقاله، استفاده از تکنیک های یادگیری ماشین مانند رگرسیون خطی، شبکه عصبی و ماشین بردار پشتیبانی برای کیفیت محصول به دو روش بررسی می شود. اولا، وابستگی متغیر هدف را بر متغیرهای مستقل تعیین می کند و دوم، پیش بینی مقدار متغیر هدف. در این مقاله، رگرسیون خطی برای تعیین وابستگی متغیر هدف به متغیرهای مستقل استفاده می شود. بر اساس وابستگی محاسبه شده، متغیرهای مهم انتخاب شده اند که تاثیر قابل توجهی بر متغیر وابسته دارند. علاوه بر این، شبکه عصبی و ماشین بردار پشتیبانی برای پیش بینی مقادیر متغیر وابسته استفاده می شود. تمام آزمایش ها بر روی مجموعه داده های آب شراب و سفید سفید انجام می شود. این مقاله ثابت می کند که پیش بینی بهتر می تواند انجام شود، اگر ویژگی های انتخاب شده (متغیرها) در نظر گرفته شود و نه در نظر گرفتن همه ویژگی ها.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
پیش نمایش مقاله
انتخاب ویژگی های مهم و پیش بینی کیفیت شراب با استفاده از تکنیک های یادگیری ماشین
چکیده انگلیسی
Nowadays, industries are using product quality certifications to promote their products. This is a time taking process and requires the assessment given by human experts which makes this process very expensive. This paper explores the usage of machine learning techniques such as linear regression, neural network and support vector machine for product quality in two ways. Firstly, determine the dependency of target variable on independent variables and secondly, predicting the value of target variable. In this paper, linear regression is used to determine the dependency of target variable on independent variables. On the basis of computed dependency, important variables are selected those make significant impact on dependent variable. Further, neural network and support vector machine are used to predict the values of dependent variable. All the experiments are performed on Red Wine and White Wine datasets. This paper proves that the better prediction can be made if selected features (variables) are being considered rather than considering all the features.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Procedia Computer Science - Volume 125, 2018, Pages 305-312
نویسندگان
,